LangChain工具与工具包开发指南：构建智能体应用

1. LangChain工具与工具包完全指南：从零构建多工具智能体

在人工智能应用开发中，大语言模型(LLM)虽然强大，但存在两个固有局限：知识更新滞后和无法直接操作外部系统。LangChain的Tool和Toolkit机制正是为解决这些问题而设计的核心组件。本文将带你从零开始，掌握创建自定义工具、构建工具包以及实现智能工具调用的完整流程。

1.1 工具的核心价值

工具(Tool)本质上是LLM与外部世界交互的桥梁。想象一下，你给AI助手配备了一套瑞士军刀，每把刀都有特定功能：

• 天气查询刀：获取实时气象数据
• 计算器刀：执行数学运算
• 文件操作刀：读写本地文档

这些"刀具"就是LangChain中的Tool，而将它们组织在一起的"刀鞘"就是Toolkit。这种设计使得AI能够突破自身限制，执行更复杂的任务链。

1.2 开发环境准备

开始前确保已配置以下环境：

bash复制pip install langchain==0.1.17 langchain-community python-dotenv dashscope

创建.env文件存放API密钥：

ini复制DASHSCOPE_API_KEY=你的阿里云百炼API密钥

2. 工具创建的三种方法论

2.1 装饰器方式：极简入门

@tool装饰器是最快捷的工具创建方式，适合简单函数转换。以下是将乘法函数转化为工具的示例：

python复制from langchain.tools import tool

@tool
def multiply(first_int: int, second_int: int) -> int:
    """将两个整数相乘。"""
    return first_int * second_int

# 调用示例
result = multiply.invoke({"first_int": 5, "second_int": 7})
print(result)  # 输出: 35

特点分析：

• 自动从函数签名生成参数schema
• 描述文本(Docstring)会成为工具的usage说明
• 适合参数结构简单的场景

2.2 Tool类方式：平衡之选

Tool.from_function提供了更灵活的定义方式，是大多数场景的首选。以下是天气查询工具的典型实现：

python复制from langchain.tools import Tool
from pydantic import BaseModel, Field

class WeatherInput(BaseModel):
    city: str = Field(description="城市名称")
    date: str = Field("今天", description="查询日期")

def get_weather(city: str, date: str) -> str:
    """获取指定城市在特定日期的天气数据"""
    # 实际API调用逻辑
    return f"{date} {city}天气：晴，25℃"

weather_tool = Tool.from_function(
    func=get_weather,
    name="weather_checker",
    description="当需要查询城市天气时使用",
    args_schema=WeatherInput
)

关键优势：

• 支持Py